{"id":176183,"date":"2023-05-13T14:11:10","date_gmt":"2023-05-13T13:11:10","guid":{"rendered":"https:\/\/liora.io\/de\/?p=176183"},"modified":"2026-02-06T06:49:01","modified_gmt":"2026-02-06T05:49:01","slug":"deep-fake-gefahren-massnahmen-und-rechtslage","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/deep-fake-gefahren-massnahmen-und-rechtslage","title":{"rendered":"Deep Fake: Gefahren, Ma\u00dfnahmen und Rechtslage"},"content":{"rendered":"

In letzter Zeit wird das Internet mit Fotos und Videos \u00fcberschwemmt, die durch DeepFake entstanden sind, aber worum geht es wirklich?<\/h2>\nDeepFake<\/strong> kommt aus der Verkettung von „Deep Learning<\/a>“ und \u00dcberraschung… „Fake“. Es besteht darin, Bilder oder Videos aus anderen, v\u00f6llig unterschiedlichen Bildern und Videos zu synthetisieren, um eine v\u00f6llig neue Szene zu schaffen, ohne dass der Schwindel aufgedeckt wird.\n\nEs wird also schnell klar, dass sich dieses Tool als gef\u00e4hrlich erweisen kann, insbesondere im Zeitalter der sozialen Netzwerke, in dem massive Desinformation an der Tagesordnung ist.\n\nEin Beispiel daf\u00fcr ist die AIDS-Kampagne der AIDS-Solidarit\u00e4t vor einigen Monaten, die ein DeepFake-Video von US-Pr\u00e4sident Donald Trump beinhaltete, in dem er das Ende von AIDS „verk\u00fcndete“.\n
\n\t\t\t\t\t\t\t\t\t\t\t\n\"\"\t\t\t\t\t\t\t\t<\/a>
<\/figcaption><\/figure>\n

Wie funktioniert Deep Fake ?<\/h3>\nDie Algorithmen von DeepFake<\/strong> basieren auf antagonistischen Gegennetzen (oder generative adverse networks \/ GANs).\n\nIm Gro\u00dfen und Ganzen handelt es sich um ein Modell, das in zwei Schritten erlernt wird: Ein erstes neuronales Netz<\/a> erzeugt ein Objekt (ein Bild, ein Video, einen Ton …) und ein zweites Netz stellt fest, ob dieses Objekt vom ersten Netz erzeugt wurde oder nicht, und zwar mit einer Datenbank von Bildern, die den gew\u00fcnschten Bildern als „Brennstoff“ f\u00fcr den Algorithmus \u00e4hnlich sind.\n\nEin GAN<\/a> besteht also aus zwei neuronalen Netzen: einem Generator (L in der Abbildung) und einem Diskriminator (D in der Abbildung), deren antagonistische Interaktionen an einem gegenseitigen Training beteiligt sind.\n\nWeitere Informationen \u00fcber die allgemeine Funktionsweise neuronaler Netze findest du in unseren Artikeln \u00fcber Deeplearning und Style Transfer.<\/a>\n

Was kann man gegen Deep Fake tun ?<\/h3>\nSeit einigen Monaten braucht man keinen Master in DataScience in Stanford mehr, um seine eigenen DeepFake-Filme<\/strong> zu produzieren, die mehr oder weniger mit dem blo\u00dfen Auge erkennbar sind.\n\nEin Beispiel daf\u00fcr ist die chinesische App Zao, mit der man ein Gesicht in eine Videosequenz einblenden kann.\n\n